导读:本文包含了离散增量论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:增量,模型,向量,事件,蛋白质,穷举,亲疏。
离散增量论文文献综述
王永,王永东,郭慧芳,周玉敏[1]（2018）在《一种基于离散增量的项目相似性度量方法》一文中研究指出【目的】缓解典型的项目相似性度量方法必须使用共同评分、在高度稀疏数据环境中预测精度较低等问题。【方法】引入生物信息科学领域的离散增量,将其构造为相异系数,利用项目评分值的频数及其分布计算项目相似度,克服依赖于共同评分的局限性,改善数据稀疏性的问题;同时结合项目属性信息,提高度量结果的合理性与准确性。【结果】相比于其他典型算法,本文算法的RMSE降低了2.56%,F1值提高了3.88%。【局限】推荐多样性可能不足。【结论】本文算法对于冷启动问题亦有更好的表现,因此,具有良好的应用潜力。(本文来源于《数据分析与知识发现》期刊2018年05期）
郝爽[2]（2015）在《离散事件系统中增量模型不完备问题的诊断方法》一文中研究指出基于模型诊断既是一种智能推理的诊断方法，也是人工智能的理论方法和应用方向。它的主要思想是通过对目标系统的结构和行为进行建模，结合系统实际运行过程中产生的观测结果，进行共同推理，从而得出关于系统实际运行轨迹是否存在故障的结论。离散事件系统诊断方法是一种动态的基于模型诊断的方法，通过离线的建模和在线的观测，得出系统的运行轨迹和诊断结果。在离散事件系统中，增量诊断方法具有应用的高效性和信息的重用性。它的主要方法是在已有诊断结果的基础之上，进行后继诊断，而不是每一次诊断都要从初始状态开始。虽然增量诊断可以提高诊断的效率，但是在增量诊断过程中，可能导致系统模型的不完备性。模型的不完备性是指在系统运行之时，系统模型产生了依据原有模型定义不能解释的状态或事件。模型的完备性是指在系统运行之前，所建立的系统模型包含了全部可能的状态和事件。在对实际物理系统建模的过程中，由于实际物理系统与建立的逻辑模型映射不完全，导致了模型不完备性的产生，进而使得诊断结果发生偏差和错误。因此，针对独立模型的不完备问题，提出了一种不完备模型的诊断问题。一方面，利用完全有序观测算法（TOO算法），解决理想状态下，系统中的事件均为可观测事件，传感器探测到的观测序列完整且有序的不完备问题；另一方面，利用部分有序观测算法（POO算法），解决普遍情况下，系统模型中存在不可观测事件，传感器探测到的观测序列保持有序、但不一定完整的不完备问题。进而，针对增量模型诊断过程中，可能存在的不完备问题，提出了一种增量模型不完备问题的诊断算法。一方面，利用增量完全有序观测算法（ITOO算法）解决理想状态下，增量模型中的事件都是可观测事件，传感器探测到的观测序列完整且始终保持有序的不完备；另一方面，利用增量部分有序观测算法（IPOO算法），解决普遍情况下，增量模型中存在不可观测事件，传感器探测到的观测序列保持有序、但不一定完整的不完备问题。对于上述算法，本文分别给出了自动机模型实例、运行结果比对、实验数据分析以及实验性质总结，从独立的自动机模型到链式结构的增量模型，从系统中的事件均为可观测事件到系统中存在不可观测事件。本文的布局和结构经历了从简单问题到复杂问题、从特殊情况到普遍情况的发展历程，为不完备问题的研究提供了循序渐进、由简入繁的详细阐述。(本文来源于《吉林大学》期刊2015-04-01）
王学慧,张磊,方粮,陈国强[3]（2014）在《并行离散事件仿真中增量状态保存技术研究》一文中研究指出并行仿真技术广泛应用于复杂系统仿真以及实时仿真中,回退是影响乐观并行仿真性能的关键因素.首先阐明回退与乐观同步算法的关系,然后讨论了回退中的增量状态保存技术,最后对其进行了建模和理论分析,并通过实验测试了增量状态保存策略的性能.(本文来源于《计算机研究与发展》期刊2014年S1期）
吴泽月[4]（2014）在《基于离散增量法和神经网络的蛋白质亚细胞定位预测》一文中研究指出随着后基因组时代的到来，生命科学的研究内容呈高速发展态势，生物信息数据迅速增长。由于生物数据具有大规模性和复杂性的特征，因此，探索如何高效处理海量生物数据的生物信息学学科就应运而生。生物学功能取决于蛋白质所处的亚细胞位置，同时，蛋白质发挥功能的必要条件是该蛋白质要处于特定的亚细胞位置。如果蛋白质的运送位置发生了偏差，那么将会对细胞功能乃至生物体产生重大影响。此外，明确蛋白质的亚细胞定位能获取蛋白质的功能和结构信息，也可以使人们了解疾病的发生机理，有利于生物制药和细胞医疗领域的深入发展。因此，蛋白质亚细胞定位预测成为了后基因组时代生物信息学的主要研究内容之一。生物学观点认为，蛋白质序列决定结构，结构决定功能。蛋白质亚细胞定位预测的生物信息学方法主要是通过智能算法和最初的氨基酸序列来预测蛋白质具体的亚细胞位置。蛋白质亚细胞定位预测的生物信息学方法一般包括四个步骤：第一，建立一个客观有效的数据集；第二，选择合适的特征提取方法对蛋白质序列进行编码；第叁，利用智能算法构建行之有效的分类器，应用分类器对蛋白质序列进行亚细胞定位；第四，根据预测结果对分类器算法进行评估。本文系统的介绍了蛋白质特征提取方法、蛋白质亚细胞定位的智能算法、离散增量法和神经网络等基本理论，在总结前人的研究基础上，提出了使用离散增量法结合神经网络进行蛋白质亚细胞定位预测的方法。研究的重点是，将离散增量法和神经网络进行有效结合以及能够使蛋白质序列获得较高的预测精度的特征提取方法。进行蛋白质亚细胞定位，首先必须通过特征提取方法使蛋白质序列成为计算机能够识别的数字信息。特征提取方法对亚细胞定位预测正确率至关重要，常用的特征提取方法有氨基酸组成模型（AAC）、二肽组成模型（Dipeptide）、水合组成模型（AAHC）、伪氨基酸组成模型（PseAA）、理化组成模型（PCC）、分组重量编码（EBGW）、N端信号编码（NTS）等。本文研究时，将离散增量法这种分类器方法转化成特征提取方法，将常用特征提取方法提取后的蛋白质序列输入到离散增量分类器中，将得到的多样性增量作为蛋白质的特征。同时，将各种常用特征提取后得到的多样性增量特征进行了融合。结果显示，有效的融合多特征会比单使用一种特征编码方式效果更好。其中，N端信号编码对亚细胞定位预测效果的提高起到了很大的作用。常用的二分类器方法有K近邻方法（KNN）、贝叶斯网络、人工神经网络（ANN）、柔性神经树（FNT）等。但蛋白质亚细胞定位预测是典型的多类分类问题，用上面提到的几种分类器进行多分类，预测结果并不理想。因此，处理多分类问题就需要转化成多个二分类问题来解决，然后利用常用二分类器来预测。本文在进行SNL6数据集的亚细胞定位预测时，通过纠错输出编码模型（ECOC）转化成二分类问题来解决，基分类器采用了人工神经网络，网络系数的优化算法采用了粒子群优化算法（PSO），取得了较好的预测效果。(本文来源于《济南大学》期刊2014-05-01）
高苏娟[5]（2014）在《基于离散增量的支持向量机算法预测蛋白质中四类简单超二级结构》一文中研究指出蛋白质超二级结构预测是叁级结构预测的一个非常重要的中间步骤。本文从蛋白质的一级序列出发,对5793个蛋白质中的四类简单超二级结构进行预测,以位点氨基酸为参数,采用3种片段截取方式,分别用离散增量算法预测的结果不理想,将组合的离散增量值作为特征参数输入支持向量机,取得了较好的预测结果,5交叉检验的平均预测总精度达到83.0%,Matthew’s相关系数在0.71以上。(本文来源于《生物技术世界》期刊2014年02期）
红英[6]（2013）在《用支持向量机和离散增量方法预测人类血液分泌蛋白质》一文中研究指出分泌蛋白质(secretory protein)是合成在细胞内的蛋白质,通过各种分泌途径分泌到细胞外,在生物体中,蛋白质的分泌发生是一种普遍的生物过程,蛋白质的分泌是生物体保证基本生命活动的重要方式。分泌蛋白质中的一类——人类血液分泌蛋白质是与癌症、肿瘤等人类重大疾病相关的,可以用它们来判断癌症类型及疾病恶化阶段,并用于新药物的开发。因此,在生物信息学研究领域,采用有效的方法来确定和预测人类血液分泌蛋白质是至关重要的。由于人类血液中蛋白质组成的复杂性和蛋白质运动范围的广泛性,识别人类血液分泌蛋白质非常具有挑战性。本论文以人类血液分泌蛋白质作为研究对象,采用不同的预测方法,分别对人类血液分泌蛋白质进行了预测研究。论文的主要研究工作如下：1.随着蛋白质数据库的不断更新,构建了新的人类血液分泌蛋白质数据集,扩大了人类血液分泌蛋白质的序列条数。2.利用支持向量机(SVM)、离散增量(ID)和离散增量结合支持向量机(ID_SVM)方法,分别对人类血液分泌蛋白质进行预测,均取得了较好的预测效果。3.提取了一种新的蛋白质序列特征信息——平均化学位移信息,并与其它蛋白质序列信息组合,分别作为SVM、ID和ID_SVM算法的特征向量,对人类血液分泌蛋白质进行了预测研究。结果表明,结合平均化学位移信息后,预测成功率明显提高,在Jack-knife检验下,比单纯考虑氨基酸单肽信息提高了15个百分点。(本文来源于《内蒙古大学》期刊2013-05-12）
刘佳,赵秀娟,裴智勇,秦笙,蔡禄[7]（2012）在《离散增量结合二次判别分析预测人类DNA甲基化位点》一文中研究指出DNA甲基化作为直接作用于DNA序列的一种表观遗传修饰,能够在不改变DNA分子一级结构的情况下影响基因表达,在生命活动中扮演着重要的角色.在哺乳动物中,DNA甲基化主要发生在C_pG二核苷酸的胞嘧啶上,并且在基因组中呈现不均匀分布.准确预测DNA甲基化位点有助于阐明DNA甲基化对基因表达的调控作用,并为肿瘤的早期诊断及治疗提供新的依据.本文应用离散增量结合二次判别分析的方法,对人类的C_pG二核苷酸甲基化状态进行了识别.5折交叉检验的整体准确率超过了80%,受试者操作特性曲线面积也达到了0.86.与现有方法相比,预测成功率显着提高.这说明离散增量结合二次判别分析方法适用于甲基化位点的预测;基因组序列中甲基化位点具有序列依赖性.(本文来源于《生物数学学报》期刊2012年03期）
卓建咏[8]（2012）在《离散事件系统基于窗口更新增量诊断方法的研究与实现》一文中研究指出离散事件系统的诊断目的是根据系统模型以及可观察事件，求解出系统中发生的故障事件。高效而准确地获得系统发生的故障事件具有重要的意义，能够及时发现并定位故障，帮助维护系统的安全。在离散事件系统的诊断中，随着系统状态的增多，诊断空间增长很快，导致计算复杂度增加，诊断效率较低。为了解决上述问题，增量诊断的方法被提出，它的诊断过程由多次迭代组成，每一次迭代中，仅考虑当前窗口内的观察值，获得部分诊断结果，诊断空间被约束在较小的范围内，效率得到提高；同时，由于每次迭代只需要部分观察值，因此适用于观察值不充分的系统。非穷举诊断引擎的方法（NEDE）是一种比较有效的增量诊断方法，它将诊断转化为可满足性问题，通过控制诊断窗口的大小，根据观察值对路径进行扩展，获得一个偏好的诊断。但是NEDE着眼于提高计算的效率，每一次的诊断过程中只保留一条候选路径，抛弃了其他所有路径的信息，导致某些可能的更优解被忽略，因此诊断的准确程度受到一定限制。本文分析了现有增量诊断方法的局限性，根据人工智能中更新（Update）的理论，讨论了更新在增量诊断中的应用方法，对现有的增量诊断算法进行了改进，提出了基于窗口更新的增量诊断方法。改进后的算法在求一次诊断的过程中，根据观察值求解当前诊断窗口内的部分诊断，并利用部分诊断去更新已有的结果，目的在于使更新前后的诊断模型最接近，从而获得一组接近最优解的近似解。根据Update的语义定义，算法在迭代求解的过程中，没有丢失候选诊断的关键信息，提高了最终结果的准确程度。本文还实现了改进后的增量诊断算法，通过实验结果的比较，证明改进后的增量诊断算法的准确程度相对于原算法确实得到了提高。本文的研究工作还存在以下一些待解决的问题：诊断窗口的大小对于增量诊断的准确性和效率有较大影响，对于具体的系统，如何寻找一个合理的诊断窗口并给出定量的证明，是一个值得深入研究的问题；此外，从实际的系统抽象成离散事件系统是一个复杂的问题，需要依靠系统控制的实际经验，如何有效地对系统进行建模，也是在应用增量诊断的过程中所要解决的问题。(本文来源于《中山大学》期刊2012-05-30）
王红影[9]（2011）在《离散事件系统基于模型的增量诊断方法的研究》一文中研究指出现今工业及大型网络体系中人造系统的功能越来越强大,系统的行为也变得更加复杂。当系统发生故障时,如果不能及时排除故障,就会造成灾难性的后果。可见,及时诊断出系统的故障并排除故障尤为重要,因此人工智能界提出了多种对系统进行故障诊断的方法。基于模型的诊断是一种新的智能推理技术,对诊断技术的进步起着极大促进作用。基于模型的诊断方法在对系统进行诊断之前,首先根据系统的结构和行为为系统建立逻辑模型。然后,诊断器根据得到的观测来诊断系统是否发生故障。如果发生故障,诊断器将对故障做出解释。基于模型的诊断方法一般分为静态诊断方法和动态诊断方法。离散事件系统基于模型的诊断是一种动态诊断方法,是当前人工智领域专家研究的重点。然而,一般的全局诊断方法对大型离散事件系统的建模存在瓶颈问题,而且计算诊断的效率较低。为了提高诊断效率,降低建模难度,缩减诊断空间是有待解决的问题。目前,增量诊断方法是解决这个问题的有效方法之一。因为增量诊断过程中诊断空间仅限制在一个观测窗口所能覆盖的自动机模型上,而且前一次的诊断结果可以重用,提高了诊断效率,是目前最有效的诊断方法之一。基于非穷举诊断引擎(NEDE)增量诊断方法,在诊断的过程中,可能产生多个候选诊断。但是,非穷举诊断引擎(诊断器)不会把所有的这些候选诊断都返回,而是每次仅返回诊断优先权最高的候选诊断。在每次选出的局部诊断结果上,不断地进行诊断扩展。如果增量诊断不能继续扩展,则合并观测窗口并立即回到初始状态重新开始诊断。虽然,这种局部诊断搜索诊断的效率较高,但是严重的缺陷在于当诊断不能扩展时,就立即回到初始状态重新诊断。为了克服NEDE方法的缺陷,本文在NEDE方法的基础上进行扩展,提出了基于回溯的增量诊断方法。该方法采用自动机链模型为系统进行建模,缩小了诊断空间;当出现多候选诊断时,在多候选诊断中,根据轨迹中事件的期望值选择唯一的诊断结果,并把诊断结果终止状态即回溯点和其余排序好的候选诊断一并保存。基于回溯的增量诊断方法建立了良好的回溯机制,当所选择的诊断结果与新的观测窗口序列发生冲突时,不用立即回到初始状态重新诊断,而是根据当前的位置,回溯到本次位置的上一次回溯点处重新选择优先的诊断结果。(本文来源于《吉林大学》期刊2011-04-01）
石瑞佳,胡秀珍[10]（2011）在《基于物化特性编码和离散增量的支持向量机方法预测酶的亚类》一文中研究指出从酶序列出发,提出了一种新的酶的亚类的预测方法。利用物化特性编码和离散增量得到特征向量来表示序列信息,并将这些特征向量输入支持向量机,对酶的6个家族类中各自的亚类进行分类。在Jacknife检验下,氧化还原酶,转移酶,水解酶,裂解酶,异构酶和连接酶中包含的亚类得到的预测精度分别为96.2%,99.2%,99.6%,95.3%,94.4%和97.7%。该方法得到的预测结果优于其它方法。(本文来源于《内蒙古工业大学学报(自然科学版)》期刊2011年01期）
离散增量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于模型诊断既是一种智能推理的诊断方法，也是人工智能的理论方法和应用方向。它的主要思想是通过对目标系统的结构和行为进行建模，结合系统实际运行过程中产生的观测结果，进行共同推理，从而得出关于系统实际运行轨迹是否存在故障的结论。离散事件系统诊断方法是一种动态的基于模型诊断的方法，通过离线的建模和在线的观测，得出系统的运行轨迹和诊断结果。在离散事件系统中，增量诊断方法具有应用的高效性和信息的重用性。它的主要方法是在已有诊断结果的基础之上，进行后继诊断，而不是每一次诊断都要从初始状态开始。虽然增量诊断可以提高诊断的效率，但是在增量诊断过程中，可能导致系统模型的不完备性。模型的不完备性是指在系统运行之时，系统模型产生了依据原有模型定义不能解释的状态或事件。模型的完备性是指在系统运行之前，所建立的系统模型包含了全部可能的状态和事件。在对实际物理系统建模的过程中，由于实际物理系统与建立的逻辑模型映射不完全，导致了模型不完备性的产生，进而使得诊断结果发生偏差和错误。因此，针对独立模型的不完备问题，提出了一种不完备模型的诊断问题。一方面，利用完全有序观测算法（TOO算法），解决理想状态下，系统中的事件均为可观测事件，传感器探测到的观测序列完整且有序的不完备问题；另一方面，利用部分有序观测算法（POO算法），解决普遍情况下，系统模型中存在不可观测事件，传感器探测到的观测序列保持有序、但不一定完整的不完备问题。进而，针对增量模型诊断过程中，可能存在的不完备问题，提出了一种增量模型不完备问题的诊断算法。一方面，利用增量完全有序观测算法（ITOO算法）解决理想状态下，增量模型中的事件都是可观测事件，传感器探测到的观测序列完整且始终保持有序的不完备；另一方面，利用增量部分有序观测算法（IPOO算法），解决普遍情况下，增量模型中存在不可观测事件，传感器探测到的观测序列保持有序、但不一定完整的不完备问题。对于上述算法，本文分别给出了自动机模型实例、运行结果比对、实验数据分析以及实验性质总结，从独立的自动机模型到链式结构的增量模型，从系统中的事件均为可观测事件到系统中存在不可观测事件。本文的布局和结构经历了从简单问题到复杂问题、从特殊情况到普遍情况的发展历程，为不完备问题的研究提供了循序渐进、由简入繁的详细阐述。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
离散增量论文参考文献
[1].王永,王永东,郭慧芳,周玉敏.一种基于离散增量的项目相似性度量方法[J].数据分析与知识发现.2018
[2].郝爽.离散事件系统中增量模型不完备问题的诊断方法[D].吉林大学.2015
[3].王学慧,张磊,方粮,陈国强.并行离散事件仿真中增量状态保存技术研究[J].计算机研究与发展.2014
[4].吴泽月.基于离散增量法和神经网络的蛋白质亚细胞定位预测[D].济南大学.2014
[5].高苏娟.基于离散增量的支持向量机算法预测蛋白质中四类简单超二级结构[J].生物技术世界.2014
[6].红英.用支持向量机和离散增量方法预测人类血液分泌蛋白质[D].内蒙古大学.2013
[7].刘佳,赵秀娟,裴智勇,秦笙,蔡禄.离散增量结合二次判别分析预测人类DNA甲基化位点[J].生物数学学报.2012
[8].卓建咏.离散事件系统基于窗口更新增量诊断方法的研究与实现[D].中山大学.2012
[9].王红影.离散事件系统基于模型的增量诊断方法的研究[D].吉林大学.2011
[10].石瑞佳,胡秀珍.基于物化特性编码和离散增量的支持向量机方法预测酶的亚类[J].内蒙古工业大学学报(自然科学版).2011
论文知识图
